节能驾驶辅助系统车速控制算法

发布时间：2020-06-12 07:00

【摘要】：汽车节能驾驶辅助系统车速优化控制算法是提高车辆燃油经济性的重要手段之一,为节能驾驶辅助系统中提示和评价功能提供理论依据,可以有效的改善驾驶员的不良驾驶操作行为。本文的主要研究工作如下:(1)分工况建立BP神经网络车速预测模型子模型。首先根据汽车历史车速数据的特征参数箱线图和统计数据,确定BP神经网络车速预测子模型的划分界限。再结合BP神经网络理论和BP神经网络车速预测子模型的实际情况,确定各个界限下的BP神经网络车速预测子模型的激励函数、训练函数以及各个网络层的结构参数。通过对各个神经网络车速预测子模型的预测结果进行分析,确定各个BP神经网络车速预测子模型的预测精度。(2)运用DP动态规划算法建立节能驾驶辅助系统车速优化模型。确定以汽车燃油经济性为主,动力性、舒适性和安全性为辅的优化目标函数。运用节能驾驶辅助系统车速优化模型对起步加速工况、行车加速工况和爬坡工况的车速和档位进行优化仿真分析。通过仿真,加速工况选取第一章中组合车速轨迹图中其中5组加速过程,对比节能驾驶辅助系统车速优化模型下和原来实际车速轨迹下的燃油消耗,结果表明通过经过节能驾驶辅助系统优化模型优化车速后的燃油消耗平均节省5.87%;爬坡工况由分为平路-坡道-平路和平路-坡道-下坡两种工况,仿真结果表明,平路-坡道-平路工况下经节能驾驶辅助系统优化的车速轨迹燃油消耗比直接匀速行驶的燃油消耗节省16.5%,平路-坡道-下坡工况改变目标车速后与原车速控制策略相比,节油率达到24.85%。(3)通过油耗模型建立具体的最优目标函数来计算通过红绿灯路口的燃油消耗,结合运动学方程和动态规划算法,提出最优的车速轨迹优化算法。通过案例分析,表明本文提出的车速轨迹算法在红灯减速模式下相比于加速度最小的车速轨迹算法和加速度时间最小的车速轨迹算法节油效率分别提高了10.86%和2.4%。
【图文】：

模型图,神经元结构,模型,连接权值

在神经网络系统的模型中，构建并处理人工神经网络信息的最小单元是人工神经元。神经网络传递处理信息的功能是需要大量组成神经网络的神经元的共同处理完成的。包含m个输入信号的单个神经元结构模型如图2.1所示。 =( )为神经网络的输入矩阵，包含m个的输入信号，输入信号激活或是抑制接收信息的神经元取决于连接权值为正值或是负值， = ( )包含m个可变连接权值的权值矩阵，连接权值的大小代表神经元之间连接的强度大小。神经网络的阈值用a表示，可以增加或降低激活函数的网络输入。神经元所接收的所有加权信号通过信号组合器组合在一起，这个神经元求和形式的输出可以写成 = ，且 = ( )

模型图,神经网络结构,模型,神经网络

重庆大学硕士学位论文同输入模式间的不同特征，，再传递给输出层，是神经网络的一层都有大量可以同时运行的独立神经元相互连接构成神经网络以解决非常复杂问题。神经网络能够对信息进行并行协同处理息，由此，可以看出它是一种非线性动力学系统。车速预测是问题，预测车速可以看做是相关输入的一种映射，而且与时间序明神经网络在非线性时间序列等问题上能够得到很好的应用[68来说神经网络系统可以用于车速预测的。.2是BP网络的网络结构模型，它是一个基于神经网络中的多层前。在这个BP神经网络的拓扑结构中，最为复杂的是隐含层的层，输入输出的相关设计一般可以根据问题需求确定。
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6

【参考文献】